Zawężenie wyszukiwania: podejście zespołowe do identyfikacji kohort pacjentów przy użyciu danych z elektronicznej dokumentacji medycznej (2023)

Znalezienie odpowiednich pacjentów do badań klinicznych może być trudne i wymagać wiele czasu i wysiłku. Badacze kliniczni zastanawiali się, czy badanie przesiewowe elektronicznej dokumentacji medycznej (EHR) może usprawnić ten proces. Czy może dostarczyć wystarczających informacji, aby określić, czy pacjent nadaje się do badania?

Clinical research tools like i2b2 promise to make such EHR searches easier for clinicians. Much like someone can develop search terms and syntax for a search for library materials, clinicians can use i2b2 to develop search queries for EHR data to find patients for Badania kliniczne. Ale co, jeśli ich zapytania nie identyfikują dokładnie pacjentów, którzy byliby dobrze dopasowani do ich badań lub brakuje kwalifikujących się pacjentów? Jak można ulepszyć te zapytania?

Niedawny artykuł badaczy MUSC wDziennik Amerykańskiego Stowarzyszenia Informatyki Medycznejstarał się odpowiedzieć na to pytanie. Badaniem kierowali dr Alexander Alekseyenko i Bashir Hamidi z Centrum Informatyki Biomedycznej MUSC.

Chociaż klinicyści zaczęli korzystać z narzędzi takich jak i2b2, mają tendencję do tworzenia prostych zapytań, które mogą nie być wystarczająco precyzyjne, aby zidentyfikować pacjentów spełniających kryteria badania. Projektowanie tych zapytań wymaga dużej finezji, ponieważ niektóre kryteria nie są tak łatwo zdefiniowane w EHR.

Na przykład kod diagnostyczny w EHR może nie wystarczyć, aby upewnić się, że pacjent ma chorobę będącą przedmiotem badania. Klinicyści mogą używać kodów nieco inaczej.

„Klinicyści mogą faktycznie postrzegać pacjentów nieco inaczej i czasami kodować ich inaczej” – powiedział Kit Simpson, drPH, wybitny profesor uniwersytecki w Departamencie Przywództwa i Zarządzania Opieką Zdrowotną w MUSC i współautor badania. „W rezultacie badacze mogą przegapić dużą liczbę osób, które kwalifikowałyby się do badania”.

Podobnie klinicysta może przypisać kod na podstawie własnej oceny objawów bez potwierdzania diagnozy za pomocą testów.

„Załóżmy, że mamy dziecko, które ma częste problemy z oddychaniem” – powiedział Aleksiejenko. „Przychodzisz do lekarza, a on lub ona mówi:„ To dziecko ma reaktywną chorobę dróg oddechowych ”i wprowadza ją jako diagnozę opartą wyłącznie na objawach, a nie na żadnych testach”.

Jeśli badacz szuka pacjentów z reaktywną chorobą dróg oddechowych, to dziecko pojawi się w wyszukiwaniu, mimo że diagnoza nie została potwierdzona testem.

Dalsze doprecyzowanie kryteriów mogłoby poprawić wyniki. Na przykład jednym obejściem byłoby wymaganie kilku wzmianek o tym samym kodzie diagnostycznym w rekordzie zdrowia w określonych ramach czasowych. Jeśli ten kod diagnostyczny pojawi się kilka razy dla tego dziecka, zwiększy to prawdopodobieństwo, że dziecko jest chore.

Podobnie jak użytkownik biblioteki zwracający się do bibliotekarza badawczego o pomoc w wyszukiwaniu, klinicyści mogą opracować dokładniejsze i bardziej szczegółowe „e-fenotypy” – czyli zestawy kryteriów EHR, które identyfikują pacjentów jako kwalifikujących się do badań – współpracując z ekspertami w tej dziedzinie. Należą do nich informatycy biomedyczni i architekci danych, którzy wiedzą, jak budowaćZapytaniaoraz „uczciwi brokerzy”, którzy wiedzą, jakie informacje są dostępne w EHR danej instytucji i gdzie je znaleźć. Uczciwy pośrednik to neutralny pośrednik, który działa w imieniu wszystkich stron, w sposób bezstronny zbierając i udostępniając zanonimizowane informacje zespołom badawczym.

„To tak, jakby korzystać z dostępnych programów statystycznych. Mogę wstawić do nich liczby i po prostu naciskać przyciski, a to da mi wynik, ale może to nic nie znaczyć” – powiedział dr med. Patrick Flume, współdyrektor South Carolina Clinical & Translational Research (SCTR) Institute i współautor badania. „Jeśli naprawdę chcesz mieć pewność, że uzyskasz znaczące wyniki, musisz pracować z ludźmi, którzy wiedzą, jak prawidłowo korzystać z tego narzędzia”.

W badaniu poproszono 21 liderów badań klinicznych z różnych specjalności o współpracę z informatykiem i uczciwym brokerem w celu zdefiniowania fenotypu i zbudowania zapytania wyszukiwania dla EHR. Każde zapytanie wyszukiwania zostało następnie wykorzystane do zidentyfikowania 20 pacjentów, którzy spełnili kryteria badania. Ci sami liderzy badań klinicznych zostali następnie poproszeni o przejrzenie pacjentów pod kątem ich choroby będącej przedmiotem zainteresowania, aby określić, jak dobrze pasują do kryteriów badania.

Wyniki były mieszane, przy czym dopasowanie było lepsze w przypadku niektórych e-fenotypów, takich jak infekcja, stany noworodkowe i rak, niż w przypadku innych, w tym chorób psychicznych, żołądkowo-jelitowych i płucnych. Lepsze dopasowanie zaobserwowano również w przypadku pacjentów, którzy otrzymywali leczenie szpitalne, a nie w przypadku pacjentów, którzy otrzymywali leczenie szpitalneopieki ambulatoryjnej, ponieważ podczas hospitalizacji w EHR gromadzi się więcej danych.

Co ciekawe, pewność klinicysty nie korelowała z lepszym dopasowaniem, chociaż lepiej określone fenotypy tak.

Badanie pokazuje, że możliwe jest wykorzystanie e-fenotypów do identyfikacji pacjentów spełniających kryteria badania klinicznego, ale także, że pozostaje jeszcze wiele do zrobienia, aby udoskonalić te fenotypy, aby uzyskać dokładniejsze wyniki. Sugeruje również, że warunkiem sukcesu jest podejście zespołowe, wykorzystujące ekspertów klinicznych, informatycznych i baz danych.

Ponadto dalsze udoskonalanie e-fenotypów w celu poprawy dopasowania ma kluczowe znaczenie dla uwolnienia ich potencjału. Co więcej, lepiej dopracowane e-fenotypy mogą sprawić, że rekrutacja do badań klinicznych będzie znacznie bardziej wydajna.

„Koordynatorzy badań mogą teraz otrzymywać listy pacjentów, które muszą ręcznie sortować i czytać swoje wykresy pojedynczo, aby sprawdzić, czy się kwalifikują” – powiedział Hamidi. „Ale gdybyśmy byli w stanie stworzyć te precyzyjne, dokładne fenotypy, cały proces mógłby być znacznie wydajniejszy, ponieważ mogliby mieć pewność, że dany pacjent należy do grupy, którą są zainteresowani”.

Zdolność do szybkiej identyfikacji kwalifikujących się pacjentów może być szczególnie ważna w przypadku szybko rozprzestrzeniających się chorób, takich jak posocznica lub badań klinicznych, w których ważny jest czas, np.Oddział intensywnej terapii.

„Kładzenie się spać i czytanie wykresów na OIOM-ie jest czasochłonne” – powiedział Flume. „Gdybyś miał metodę filtrowania liczby pacjentów do nielicznych, którzy naprawdę kwalifikują się do badania, mógłbyś być znacznie skuteczniejszy w sprawdzaniu tych osób pod kątem udziału w badaniu”.

Jest to również ważne w przypadku działań takich jak MUSCŻyjący Biobank, która tworzy uznaną przez Institutional Review Board (IRB) procedurę udostępniania niewykorzystanych próbek klinicznych do badań. IRB dokonuje przeglądu i monitorujebadania klinicznei ma prawo zatwierdzać, wymagać modyfikacji lub nie zezwalać na badania zgodnie z wytycznymi Urzędu ds. Żywności i Leków. E-fenotypowanie ułatwiłoby spełnienie wymagań zatwierdzonych przez IRB badań dotyczących próbek pochodzących od pacjentów, zanim zostaną one wyrzucone. Próbki te można wykorzystać do wygenerowania wstępnych danych lub sprawdzenia, czy pacjenci spełniają kryteria badania klinicznego. E-fenotypy można również wykorzystać do identyfikacji historycznych kontroli dla małych badań klinicznych. Wreszcie, mogą pomóc w identyfikacji pacjentów ze wszystkich środowisk etnicznych i rasowych, sprawiając, że uczestnicy badań klinicznych będą lepiej odzwierciedlać społeczność i dotkniętą populację pacjentów.

„Kiedy już otrzymamy kilka dobrych e-fenotypów, możemy ich faktycznie użyć, aby upewnić się, że mamy reprezentację w obszarach o niedostatecznym dostępie w Południowej Karolinie, tak aby osoby, które normalnie nie zostałyby o to poproszone na czas, znalazły się na liście i skontaktowano się z nimi” powiedział Simpson. „I dotyczy to mniejszości, pacjentów wiejskich i pacjentów na obszarach zaniedbanych medycznie”.